1. Introduction et problème

Dans les facultés d’éducation s’est installé un geste de politique curriculaire à bas coût : un module d’intelligence artificielle, souvent logé dans le cours de technologie éducative, où les étudiants en magister apprennent à « parler » à un modèle génératif. Le produit de l’atelier — un prompt, un plan de leçon généré, une grille, une fiche — est exhibé comme preuve de préparation professionnelle. Le saut énonciatif est énorme. On passe de la fluidité avec une interface à l’affirmation que le futur maître de jardin d’enfants et du premier cycle est prêt à enseigner à des enfants de trois à huit ans dans un environnement saturé de systèmes opaques, instables et sociaux (Mishra et al., 2023). Ce saut n’est pas autorisé par les données de la formation initiale.

La thèse de cet article est restrictive. Un module d’IA ne prépare pas l’enseignant de l’éducation de la petite enfance s’il n’enseigne que des prompts. Le prompt est un acte de savoir technologique : savoir formuler une requête, itérer, copier-coller. Le métier de jardin d’enfants est un autre savoir : remarquer ce qu’un enfant de quatre ans fait avec un matériau, décider si une activité est pertinente à son développement, tenir un groupe, improviser lorsque le plan s’effondre, et — désormais — juger si un texte généré est didactiquement admissible ou un artefact adulte déguisé en leçon enfantine. Confondre les deux opérations est une erreur catégoriale. C’est la même erreur que Trust, Whalen et Mouza (2023) décrivent lorsqu’ils rappellent que les programmes de teacher education ont siloed la technologie dans un seul cours pendant des décennies, et que l’IA, précisément parce qu’elle traverse toutes les matières, n’admet pas cet isolement.

Le problème s’aggrave dans la petite enfance pour une raison d’âge et de métier que les ateliers génériques « ChatGPT pour enseignants » n’abordent pas. Miao et Holmes (2023) recommandent une approche centrée sur l’humain, une validation éthique et pédagogique des outils, et un seuil d’âge pour les conversations indépendantes avec des plateformes génératives. Six professeurs experts de la petite enfance, en Chine et aux États-Unis, situent ChatGPT, au mieux, comme facilitateur à la demande de l’éducateur et, avec des réserves, comme agent conversationnel pour l’enfant ; sa trajectoire souhaitable est l’augmentation de l’intelligence humaine, non le remplacement de l’action enseignante (Luo et al., 2024). Rien de cela n’est enseigné lorsque le module s’épuise dans l’ingénierie de prompts. Rien non plus lorsque l’indicateur de succès est l’acceptation technologique — l’intention d’usage — et non le jugement sur un plan d’assemblée, de coin ou de littératie émergente.

Cet article ne recycle pas le cadre de compétences de l’UNESCO pour les enseignants en service (Miao et Cukurova, 2024) : cet instrument décrit des profils de ceux qui enseignent déjà. La question ici est antérieure : que se passe-t-il dans la formation initiale lorsqu’on prétend « préparer » le maître de jardin avec un module d’IA. Les contributions sont trois : reconstruire l’état de l’art en séparant TK, TPK et jugement (Celik, 2023 ; Mishra et al., 2023 ; Sperling et al., 2024) ; examiner trois familles de cas preservice — acceptation, cours d’alphabétisation et planification de leçons ; et offrir quatre épreuves pour décider quand un dispositif de formation des maîtres peut affirmer qu’il « prépare ».

2. État de l’art : de l’acceptation au jugement, du module au curriculum

Il convient de séparer quatre strates que la littérature mélange souvent. La première est l’acceptation de la technologie : si le futur enseignant déclare qu’il utilisera l’IA. La deuxième est le savoir professionnel pour intégrer l’IA dans l’enseignement, formulé aujourd’hui comme TPACK et Intelligent-TPACK. La troisième est le lieu curriculaire de ce savoir dans la formation initiale : un cours siloed ou un fil tout au long du plan d’études et des stages. La quatrième est le métier spécifique de la petite enfance, où l’interlocuteur n’est pas un adolescent qui rédige des essais, mais un jeune enfant dont la conversation indépendante avec un modèle génératif n’est pas autorisée par le guide de l’UNESCO (Miao et Holmes, 2023).

Dans la strate de l’acceptation, Zhang et al. (2023) montrent que l’utilité perçue et la facilité d’usage prédisent l’intention d’utiliser des applications éducatives d’IA. Runge, Hebibi et Lazarides (2025) étendent le modèle avec des cours d’IA et une auto-déclaration d’AI-TPACK : les cours s’associent aux deux ; l’AI-TPACK ne prédit pas de manière significative l’intention d’utiliser l’IA dans l’enseignement futur. Accepter, auto-évaluer un savoir et déclarer une intention ne équivalent pas à savoir enseigner à un groupe de cinq ans.

Dans la strate du savoir professionnel, Celik (2023) modélise Intelligent-TPACK auprès de 428 enseignants en Turquie qui utilisaient une plateforme avec tableaux de bord et tuteurs. Bien que l’échantillon soit en service, le résultat se transfère comme structure de savoir, non comme équivalence de cohortes : le savoir technologique (TK) permet de mieux évaluer les décisions de l’IA, mais « le TK seul ne suffit pas » ; le TK est significatif lorsqu’il se combine au savoir pédagogique, reflété dans le savoir techno-pédagogique (TPK) ; l’évaluation éthique influe sur le TPACK autant que le TPK (Celik, 2023). Enseigner à interagir avec l’outil — le territoire du prompt — n’est pas enseigner à décider. Mishra, Warr et Islam (2023) ajoutent que les systèmes génératifs sont protéiformes, opaques et instables, et aussi génératifs et sociaux. Le savoir contextuel (XK) doit s’élargir au-delà de la classe immédiate. Un module qui ne touche pas cette opacité forme une habitude de consultation, non un TPACK.

Sperling, Stenberg, McGrath, Åkerfeldt, Heintz et Stenliden (2024) passent en revue 34 travaux (2000–2023) sur l’alphabétisation à l’IA pertinente pour la teacher education, avec epistémè, technè et phronesis. Le thème émerge à l’échelle mondiale et est « presque absent » du champ de la formation des enseignants. L’éthique est traitée comme configuration technique ; le savoir pratique se traduit en adoption de ressources ou d’EdTech d’IA. La phronesis — le jugement professionnel situé — reste hors champ. Un module de prompts opère dans une technè étroite et laisse intact le jugement. Ng, Leung, Su, Ng et Chu (2023) adaptent DigCompEdu et P21 aux compétences numériques d’IA des enseignants : un cadre, non une évidence d’implémentation dans le magister de petite enfance. Kasneci et al. (2023) soulignent que le corps enseignant a besoin de formation et que les modèles ne remplacent pas l’enseignant. Celik, Dindar, Muukkonen et Järvelä (2022) documentaient déjà des occasions de planification, de mise en œuvre et d’évaluation, et des limites de fiabilité et d’applicabilité ; des systèmes techniquement et pédagogiquement capables dans des milieux divers « restent à réaliser ». Chiu, Xia, Zhou, Chai et Cheng (2023) identifient treize rôles, sept résultats et dix défis, et insistent sur le développement professionnel. Aucune synthèse n’affirme qu’un atelier de prompts clôt le défi.

Dans la strate curriculaire, Trust et al. (2023) recommandent d’examiner l’IA de manière organique dans tout le plan de la formation initiale, non dans un cours unique. Van den Berg et du Plessis (2023) montrent que ChatGPT peut fournir des matériaux et « niveler » l’accès aux plans, et exigent la prudence : les modèles « ne remplacent pas les enseignants ». L’OECD Digital Education Outlook 2023 situe les compétences numériques enseignantes dans l’écosystème du système, non dans une annexe d’atelier (OECD, 2023). La Recommandation de l’UNESCO sur l’éthique de l’IA ancre les droits humains et la supervision humaine (UNESCO, 2021). Le Guide de 2023 ajoute la validation pédagogique et le seuil d’âge (Miao et Holmes, 2023) : l’enfant de trois à six ans n’est pas un usager autonome de ChatGPT ; l’enseignant de petite enfance ne peut se former comme s’il l’était. Luo et al. (2024) synthétisent des entretiens avec six professeurs experts : agent conversationnel pour l’enfant et facilitateur à la demande de l’éducateur ; défis 3A2S (accessibilité, abordabilité, reddition de comptes, soutenabilité, justice sociale) ; trajectoire souhaitable, augmentation de l’intelligence, non remplacement. Inférence, marquée comme telle : si la valeur est dans l’agence du maître, la formation initiale ne peut se réduire à l’agence du prompt.

3. Méthode de revue

Une revue narrative critique a été menée, non une méta-analyse. Le propos n’était pas d’estimer une taille d’effet homogène entre enquêtes TAM, cours mixtes et analyses de planification, mais d’articuler un argument de politique curriculaire avec des sources vérifiées. Critères d’inclusion : (a) 2021–2026 ; (b) formation initiale (preservice, teacher education) ou, si l’échantillon est en service, usage conceptuel et signalé (Celik, 2023 ; Celik et al., 2022) ; (c) IA, modèles génératifs ou TPACK appliqué à l’IA ; (d) pertinence pour l’éducation initiale ou de base, ou pour le plan de magister qui forme ces enseignants ; (e) revue à pairs, DOI ou rapport UNESCO ou OECD ; (f) DOI ou page éditoriale vérifiable. Ont été exclus les axes déjà utilisés dans cette série (jeu et PopBots, médiation parentale, inclusion, tuteurs adaptatifs, écarts d’apprentissage de l’IA, alphabétisation des élèves, vie privée de classe, multilinguisme, bien-être enseignant, intégrité et détecteurs, documentation pédagogique, faible connectivité) et, comme cadre rector, le document de compétences pour enseignants en service de Miao et Cukurova (2024).

La recherche a été exécutée le 24 août 2026 sur des pages DOI, SpringerOpen, Elsevier, Emerald, Wiley, SAGE, MDPI, CITE Journal, UNESDOC, OECD iLibrary et dépôts (Oulu, DiVA, East China Normal). Chaque source a été vérifiée contre au moins une de ces pages. Le corpus s’organise en acceptation, module ou cours, et planification de leçons. En saturation ont été retenus Celik (2023), Sperling et al. (2024), Mishra et al. (2023), Trust et al. (2023), van den Berg et du Plessis (2023), Luo et al. (2024), Miao et Holmes (2023), UNESCO (2021), Ng et al. (2023), Kasneci et al. (2023), Celik et al. (2022), Chiu et al. (2023) et OECD (2023).

L’analyse a distingué trois statuts énonciatifs. Constat empirique : ce qui a été observé ou mesuré dans l’échantillon preservice (ou, si en service, déclaré). Cadre conceptuel ou normatif : ce qu’un cadre de savoir, un guide ou une recommandation prescrit. Inférence pédagogique : la traduction que cet article propose pour la conception de la formation des maîtres de jardin et du premier cycle, marquée comme telle. Les limites sont celles de toute revue narrative : pas de protocole PRISMA complet, biais de langue vers l’anglais et l’allemand, et rareté d’essais latino-américains de preservice et d’IA dans le magister de petite enfance (section 9).

4. Cas 1. Accepter n’est pas préparer : 452 futurs enseignants et le plafond du TAM

Zhang, Schießl, Plößl, Hofmann et Gläser-Zikuda (2023) ont publié dans International Journal of Educational Technology in Higher Education (vol. 20, art. 49) une analyse de groupes multiples sur l’acceptation de l’IA chez les futurs enseignants. Dans une université allemande, un ensemble complet de 452 participants a été obtenu à partir de 712 répondants potentiels (63,48 %), dont 325 femmes (71,90 %). Les programmes comprenaient l’éducation primaire (n = 260), l’école inférieure (n = 44) et d’autres voies. Les données ont été recueillies au semestre d’hiver 2021/2022, avant l’éclosion publique de ChatGPT comme application de consommation de masse. Le modèle était TAM3. Huit hypothèses sur neuf ont été soutenues. L’utilité perçue (β = 0,501, p < 0,001) et la facilité d’usage perçue (β = 0,297, p < 0,001) étaient les prédicteurs primaires de l’intention d’utiliser des applications éducatives d’IA ; l’utilité pesait davantage. Les différences de moyennes latentes selon le genre étaient significatives pour l’anxiété face à l’IA (z = −3,217, p < 0,01) et le plaisir perçu (z = 2,556, p < 0,05). Le genre modérait les sentiers de l’anxiété vers la facilité d’usage (p = 0,018) et de la facilité d’usage vers l’utilité (p = 0,002). Les autrices soulignent la nécessité de traiter les aspects de genre dans la teacher education, vu la prédominance féminine des cohortes (Zhang et al., 2023).

Statut de la preuve. Constat empirique : dans cet échantillon d’une université, avec cet instrument et à ce moment, l’intention d’utiliser l’IA s’explique surtout par le caractère utile et facile perçu de l’outil. Ce n’est pas un constat de compétence didactique. L’étude n’observe pas la pratique avec des enfants, n’évalue pas de plans de leçon, ne mesure pas le TPACK et ne désagrège pas le SEM par programme. Les 260 étudiants de primaire sont le sous-ensemble le plus proche de l’objet de cet article. Inférence pédagogique, marquée comme telle : un décanat qui citerait ce type d’enquête pour affirmer que « nos étudiants acceptent l’IA, donc ils sont préparés pour le jardin » commet le saut que la thèse interdit. L’acceptation est un précurseur possible de l’usage ; ce n’est pas une préparation professionnelle. La facilité d’usage — le territoire phénoménologique du prompt bien écrit — est le plus faible des deux prédicteurs principaux, et n’équivaut toujours pas au TPK.

La saturation conceptuelle vient d’Intelligent-TPACK. Celik (2023) montre, auprès de 428 enseignants turcs de 29 à 38 ans (258 femmes), que le TK prédit l’évaluation éthique, mais non le TPACK ; le TPK est le pont. Transférer ce résultat au magister est une inférence, non une équivalence d’échantillons : ils enseignaient déjà et utilisaient une plateforme d’État. La valeur est la structure du savoir. Un module qui entraîne le TK et célèbre l’intention d’usage laisse sans former le TPK et l’éthique de la décision.

5. Cas 2. Le cours d’IA élève la confiance et n’autorise pas le « déjà préparés »

Hur (2024) a publié dans Information and Learning Sciences (vol. 126, n° 1/2, p. 56–74) une étude mixte sur des leçons d’alphabétisation à l’IA intégrées dans un cours d’intégration technologique pour futurs enseignants, avec le Concerns-Based Adoption Model comme cadre des préoccupations. Les participants manquaient d’abord de connaissances et de conscience de l’IA. Les leçons ciblées ont accru la conscience et la confiance pour enseigner l’IA. En même temps, après les leçons, des préoccupations persistaient : crainte du déplacement de l’enseignant et effets adverses de l’IA générative sur le développement des habiletés critiques d’apprentissage des élèves (Hur, 2024). L’étude se présente comme l’une des rares investigations empiriques d’alphabétisation à l’IA en preservice ; son propre diagnostic de rareté coïncide avec Sperling et al. (2024).

Statut de la preuve. Constat empirique : un module inséré dans le cours de technologie peut déplacer la conscience et la confiance autodéclarées, et ne dissout pas les préoccupations de métier. Ce n’est pas un constat que les participants savent enseigner dans un jardin d’enfants. Le cours est précisément le silo que Trust et al. (2023) critiquent : l’IA s’enseigne dans la matière technologique, non en didactique de la langue, ni en pratique professionnelle, ni en développement de l’enfant. Hur n’affirme pas que la confiance post-module équivaut à une préparation ; cet article non plus. Inférence pédagogique : la hausse de confiance est un résultat d’atelier, non un critère d’habilitation. Un maître de jardin plus confiant et également incapable de juger un plan généré n’est pas mieux préparé ; il est plus disposé à déployer un artefact non examiné.

Runge et al. (2025) apportent la saturation quantitative la plus précise pour cette thèse. Dans Education Sciences (vol. 15, art. 167), ils modélisent des sentiers auprès de 143 futurs enseignants d’universités allemandes (majorité du Brandebourg, 42 %, et de Berlin, 13 % ; 56 % de licence et 42 % de master ; données du semestre d’été 2024). La participation à des cours liés à l’IA s’associait positivement à l’AI-TPACK (β = 0,449, p < 0,001) et à l’utilité perçue (β = 0,235, p < 0,001), non à la facilité d’usage (β = 0,025, p = 0,808). L’AI-TPACK s’associait à l’utilité (β = 0,260, p = 0,032) et à la facilité d’usage (β = 0,417, p < 0,001). L’utilité perçue prédisait fortement l’intention d’utiliser l’IA dans l’enseignement futur (β = 0,722, p < 0,001) et, avec une magnitude moindre, l’usage réel de l’IA pour des tâches professionnelles dans la formation (β = 0,266, p = 0,004). La facilité d’usage prédisait l’usage dans la formation (β = 0,362, p < 0,001), non l’intention d’usage futur (β = −0,061, p = 0,518). Le sentier de l’AI-TPACK vers l’intention d’usage dans l’enseignement futur n’était pas significatif (β = −0,045, p = 0,690) ; ni celui vers l’usage dans la formation (β = 0,165, p = 0,169) (Runge et al., 2025).

Statut de la preuve. Constat empirique : dans cet échantillon, suivre des cours d’IA s’associe à une auto-déclaration plus élevée d’AI-TPACK et à percevoir l’IA comme utile ; la percevoir comme utile prédit vouloir l’utiliser en enseignant ; l’AI-TPACK, en revanche, ne prédit pas cette intention. L’« usage réel » mesuré n’est pas un usage avec des enfants au jardin : c’est un usage pour les tâches de la formation. Ce n’est pas un constat de transfert vers la classe de trois à six ans. Ce n’est pas un constat de qualité didactique de l’output. Inférence pédagogique, marquée comme telle : la donnée la plus inconfortable pour la politique du module est ce coefficient non significatif. Un programme peut certifier que ses étudiants « ont l’AI-TPACK » selon une échelle et n’avoir pourtant pas déplacé l’intention pédagogique d’usage ni, a fortiori, la capacité de bien l’utiliser. Le cours produit une perception de savoir et d’utilité ; il ne produit pas, dans ce modèle, le critère que les décanats annoncent d’ordinaire.

Lu avec Hur (2024), le schéma est cohérent. Le module change des états subjectifs et laisse intactes les préoccupations de métier et la pratique avec les enfants. Sperling et al. (2024) l’anticipent : sans phronesis, le cours forme une technè d’interface.

6. Cas 3. Un prompt ne fait pas une leçon de jardin : 59 et 27 futurs enseignants face au plan généré

Kalenda, Rath, Abugasea Heidt et Wright (2025) ont publié dans Journal of Educational Technology Systems (vol. 53, n° 3, p. 219–241) une étude prétest-post-test auprès de 59 étudiants de premier et de second cycle inscrits dans des cours de méthodes STEM, TESOL et sciences sociales pour les degrés PreK–12. La procédure était une analyse guidée de la capacité de ChatGPT à rédiger des plans de leçon, avec enquête et une réflexion sur les forces et faiblesses. Après l’analyse, les perceptions selon lesquelles ChatGPT peut rédiger un plan complet dans le domaine de contenu ont diminué de manière statistiquement significative, t(58) = 2,039, p = 0,046. Les perceptions selon lesquelles il peut rédiger un plan assez détaillé pour un suppléant ont chuté plus fortement, t(58) = 5,959, p < 0,001. Les participants ont déclaré qu’ils prévoient d’utiliser ChatGPT pour planifier lorsqu’ils exerceront, et ont indiqué que la révision de l’output est nécessaire (Kalenda et al., 2025).

Statut de la preuve. Constat empirique : dans cet échantillon de méthodes PreK–12, un prompt unique et un plan brut ne résistent pas à l’examen du candidat lui-même dès qu’on lui demande d’analyser le contenu. La baisse de la perception « prêt pour un suppléant » est la donnée la plus proche du jardin : un plan qu’on ne pourrait pas laisser à un adulte remplaçant n’est pas un plan de classe. Ce n’est pas un constat que la révision ultérieure produit un plan de qualité ; l’étude mesure des perceptions, non la qualité des plans révisés selon une grille de développement. Ce n’est pas un essai randomisé. La plage PreK–12 mélange jardin et secondaire ; la valeur pour cet article est que la procédure d’analyse guidée — non le prompt isolé — est ce qui déplace le jugement, et le déplace vers le bas.

Sun et Huang (2025) ont publié dans Journal of Computer Assisted Learning (vol. 41, n° 4, e70098) une étude mixte auprès de 27 futurs enseignants dans une unité STEM d’un cours de master de technologie éducative à l’East China Normal University. Ils ont analysé les interactions par analyse de réseaux épistémiques (ENA) et, qualitativement, les plans finaux et les journaux d’IA générative. La GenAI a fonctionné surtout comme source directe d’information pour des tâches opérationnelles ; son rôle d’étayage cognitif a été limité. Elle a significativement soutenu les phases initiales de planification, avec une pensée d’ordre supérieur (analyser, créer), et sa contribution a diminué dans les phases itératives ultérieures. Les auteurs soulignent le besoin d’étayages structurés et de facilitation humaine pour compléter la GenAI et soutenir un engagement cognitif plus profond (Sun et Huang, 2025).

Statut de la preuve. Constat empirique : dans cet échantillon de master, le modèle ne soutient pas le travail pédagogique lorsqu’il devient itératif — précisément lorsqu’un plan de jardin devrait s’ajuster à un groupe concret, à un coin, à un enfant qui n’entre pas dans l’activité, à un objectif de développement que le modèle n’a pas observé. Ce n’est pas un constat d’éducation de la petite enfance : l’unité est STEM dans un cours de technologie éducative. Le transfert vers le jardin est une inférence de risque, non une équivalence : si l’étayage cognitif s’affaiblit déjà dans l’itération d’un plan STEM de master, un candidat de petite enfance qui reçoit un plan « prêt » d’assemblée ou de littératie émergente et n’a pas de formateur humain dans la boucle est plus exposé, non moins.

Van den Berg et du Plessis (2023) saturent : le modèle fournit des matériaux et ne remplace pas l’enseignant. Trust et al. (2023) exigent de modéliser l’évaluation critique de l’output. Luo et al. (2024) situent la valeur dans l’agence humaine. Inférence : le prompt ouvre un dossier de travail, il ne clôt pas une compétence. Un module qui évalue le prompt et non le jugement sur le plan — adéquation d’âge, séquençage, oralité, observation — ne forme pas le maître de jardin. Il forme un opérateur d’interface qui, après avoir regardé l’output, ne croit plus que le plan suffise pour un suppléant (Kalenda et al., 2025).

7. Cadre inférentiel : quatre épreuves pour affirmer que la formation initiale « prépare »

Le cadre qui suit est une inférence pédagogique de cet article, ancrée dans les cas et dans les instruments vérifiés. Ce n’est pas une nouvelle norme internationale. Il distingue quatre épreuves. Si un dispositif de formation des maîtres ne les passe pas, il ne peut déclarer qu’un module d’IA prépare l’enseignant de petite enfance.

7.1. Épreuve du jugement professionnel, non de la fluidité d’interface. Sperling et al. (2024) montrent que la phronesis est presque absente de la littérature d’alphabétisation à l’IA pour la teacher education. Celik (2023) montre que le TK ne suffit pas et que le TPK et l’éthique sont les ponts. Kalenda et al. (2025) montrent que l’analyse guidée de l’output abaisse l’illusion de complétude. Sun et Huang (2025) montrent que le modèle n’étaie pas les phases itératives. Inférence : la preuve de préparation n’est pas un portfolio de prompts ni un score de facilité d’usage (Zhang et al., 2023). C’est la capacité, observée en stage ou en simulations denses, d’accepter, de rejeter ou de réécrire un artefact généré avec des raisons didactiques. Le critère de succès du module, s’il existe, est le jugement, non la vitesse de génération.

7.2. Épreuve d’intégration curriculaire, non de silo technologique. Trust et al. (2023) rejettent le cours unique. Hur (2024) illustre le dessin typique : leçons d’IA dans l’intégration technologique. Runge et al. (2025) mesurent l’usage dans les tâches de la formation, non dans la classe d’enfants. OECD (2023) situe les compétences numériques enseignantes dans l’écosystème du système, non dans une annexe. Inférence : l’IA doit apparaître en didactique de la langue, en développement de l’enfant, en stages professionnels et dans le travail avec le formateur de terrain. Un crédit optionnel « IA pour enseignants » ne satisfait pas l’épreuve, même s’il élève l’AI-TPACK autodéclaré. Le lieu du savoir est le plan d’études entier, parce que le modèle génératif touche chaque décision d’enseignement (Mishra et al., 2023).

7.3. Épreuve d’adéquation à l’éducation de la petite enfance, non de leçon générique K–12. Miao et Holmes (2023) exigent une validation pédagogique et un seuil d’âge pour l’usage indépendant des plateformes génératives. Luo et al. (2024) distinguent le rôle de facilitateur de l’éducateur du rôle d’agent conversationnel avec l’enfant, et privilégient l’augmentation de l’agence humaine. Un plan généré pour « 2e année » n’est pas, du seul fait d’exister, un plan de salle de quatre ans. Inférence : le magister de petite enfance doit entraîner la détection d’inadéquation d’âge — langage adulte, activités sédentaires, objectifs cognitifs d’un autre palier, absence d’observation, de corps, d’oralité. Cette détection est un PCK de la petite enfance médiatisé par la technologie, non un tour de prompt. Le module générique « enseigner avec l’IA » échoue à cette épreuve par construction.

7.4. Épreuve de médiation humaine irremplaçable dans la formation elle-même. Sun et Huang (2025) exigent facilitation humaine et étayages. Van den Berg et du Plessis (2023) et Kasneci et al. (2023) nient le remplacement de l’enseignant. Celik et al. (2022) concluent que des systèmes techniquement et pédagogiquement capables dans des milieux divers restent à réaliser. UNESCO (2021) exige une supervision humaine. Inférence : le formateur de maîtres — le professeur de didactique, le tuteur de stage — est la condition de la préparation, non un coût à optimiser avec des licences. Un dessin dans lequel le candidat « apprend l’IA » en dialoguant seul avec le modèle, sans contradiction humaine, reproduit dans la formation l’erreur que l’on veut éviter au jardin : laisser la décision pédagogique à un système sans humain dans la boucle (Miao et Holmes, 2023).

Le cadre admet des modèles dans la planification avec analyse guidée et grilles d’adéquation d’âge (Kalenda et al., 2025) ; l’IA dans les méthodes et les stages, non seulement en technologie ; l’évaluation du TPK et de l’éthique de la décision, non seulement du TK (Celik, 2023) ; et la formation du formateur. Il refuse de certifier une préparation par l’assiduité à un module de prompts ; d’utiliser l’intention d’usage ou l’AI-TPACK autodéclaré comme proxy de compétence de jardin (Zhang et al., 2023 ; Runge et al., 2025) ; d’autoriser la conversation indépendante d’enfants de petite enfance avec des plateformes génératives (Miao et Holmes, 2023) ; et de substituer au tuteur de stage un chatbot de rétroaction (Luo et al., 2024).

8. Discussion

Trois tensions organisent la discussion. La première est entre acceptation et préparation. C’est un constat que l’utilité perçue prédit l’intention d’usage, avec 260 étudiants de primaire dans l’échantillon allemand (Zhang et al., 2023), et que l’utilité, non l’AI-TPACK, prédit l’intention d’utiliser l’IA en enseignant (Runge et al., 2025). C’est un cadre que le TK ne suffit pas (Celik, 2023) et que la phronesis manque à la teacher education (Sperling et al., 2024). Ce n’est pas un constat que quiconque accepte ou auto-évalue un savoir sache enseigner dans un jardin. La politique du module mesure ce que le TAM sait mesurer et déclare ce que seul le jugement situé autoriserait.

La deuxième est entre le cours qui élève la confiance et le métier qui ne bouge pas. Hur (2024) documente davantage de conscience et de confiance, et des préoccupations persistantes. Runge et al. (2025) documentent un AI-TPACK sans prédiction d’intention pédagogique. Trust et al. (2023) avaient averti du silo. Un cours de technologie fait ce qu’il peut. Il ne forme pas, par lui-même, le maître de jardin. Déclarer qu’il le fait n’est pas un résultat empirique.

La troisième est entre le plan généré et la leçon de petite enfance. Kalenda et al. (2025) abaissent la foi dans le plan brut ; Sun et Huang (2025), l’étayage dans l’itération ; van den Berg et du Plessis (2023), l’équivalence entre accès aux plans et enseignement. Luo et al. (2024) et Miao et Holmes (2023) situent la limite d’âge et l’agence humaine. Le prompt produit un texte vraisemblable ; le jardin exige une décision sur un corps, une langue en développement et un groupe. Mishra et al. (2023) décrivent le modèle comme social et génératif. Le traiter comme un traitement de texte en deux semaines sous-estime la technologie et le métier. Les modèles peuvent épargner un brouillon (Kasneci et al., 2023) ; cette économie, sans jugement ni stages, n’est pas une préparation. OECD (2023) situe le problème dans l’écosystème. Réduire la réponse à un atelier de prompts, c’est ne pas répondre.

9. Limites

Cette revue est narrative. Elle n’applique pas PRISMA ni n’estime d’effets combinés. Les cas preservice ont des géographies biaisées (Allemagne, États-Unis, Chine) et des n inégaux (452, 143, 59, 27 ; Hur, 2024, n’est pas cité avec n parce que le résumé éditorial vérifié ne la consigne pas de manière univoque). Zhang et al. (2023) mesurent l’acceptation avant le ChatGPT de consommation de masse. Runge et al. (2025) mesurent l’usage dans la formation, non au jardin. Kalenda et al. (2025) couvrent PreK–12 et des perceptions, non des grilles de développement. Sun et Huang (2025) travaillent le STEM de master. Celik (2023) est en service, utilisé comme cadre. Aucun essai latino-américain de magister de jardin et d’IA n’a été localisé avec le même degré de DOI ; cette absence est un vide. UNESCO et OECD sont prescriptifs. Les inférences de la section 7 sont des hypothèses de conception, non une évidence d’implémentation.

10. Conclusions

Un module d’intelligence artificielle ne prépare pas l’enseignant de l’éducation de la petite enfance s’il n’enseigne que des prompts. Les données preservice ici vérifiées n’autorisent pas cette déclaration de politique. L’intention d’usage est prédite par l’utilité perçue chez 452 futurs enseignants, dont 260 de primaire (Zhang et al., 2023). Un cours d’alphabétisation élève la conscience et la confiance et laisse debout les préoccupations de métier (Hur, 2024). Chez 143 étudiants en formation des maîtres, les cours s’associent à l’AI-TPACK autodéclaré, et ce construit ne prédit pas l’intention d’utiliser l’IA dans l’enseignement futur ; l’usage mesuré est celui des tâches de la formation (Runge et al., 2025). Chez 59 candidats PreK–12, l’analyse guidée de plans générés réduit la croyance en leur complétude et, plus fortement, en leur utilité pour un suppléant (Kalenda et al., 2025). Chez 27 futurs enseignants, la GenAI informe les phases initiales et n’étaie pas les phases itératives (Sun et Huang, 2025). Intelligent-TPACK, TPACK génératif et la revue de 34 travaux convergent sur le diagnostic : le savoir technologique isolé ne suffit pas et le jugement professionnel n’est pas au centre de la teacher education (Celik, 2023 ; Mishra et al., 2023 ; Sperling et al., 2024).

Le guide applicable n’est pas ambigu pour ce qui importe au jardin. L’UNESCO exige éthique, supervision humaine, validation pédagogique et un seuil d’âge pour l’usage indépendant des plateformes génératives (UNESCO, 2021 ; Miao et Holmes, 2023). Les experts de la petite enfance situent ChatGPT comme augmentation, non comme remplacement (Luo et al., 2024). Là où les sources ne mesurent pas une compétence didactique avec des enfants de trois à six ans, cet article ne l’affirme pas. Préparer le maître de jardin, c’est former, dans le plan d’études et dans les stages, le jugement qui accepte, rejette ou réécrit un artefact généré. Enseigner des prompts est une autre opération, et cela ne suffit pas.

Laboratoire éditorial de NEXTECH.IA / Ingeniero Mitre.

Références

  1. Celik, I. (2023). Towards Intelligent-TPACK: An empirical study on teachers’ professional knowledge to ethically integrate artificial intelligence (AI)-based tools into education. Computers in Human Behavior, 138, 107468. https://doi.org/10.1016/j.chb.2022.107468
  2. Celik, I., Dindar, M., Muukkonen, H., et Järvelä, S. (2022). The promises and challenges of artificial intelligence for teachers: A systematic review of research. TechTrends, 66(4), 616–630. https://doi.org/10.1007/s11528-022-00715-y
  3. Chiu, T. K. F., Xia, Q., Zhou, X., Chai, C. S., et Cheng, M. (2023). Systematic literature review on opportunities, challenges, and future research recommendations of artificial intelligence in education. Computers and Education: Artificial Intelligence, 4, 100118. https://doi.org/10.1016/j.caeai.2022.100118
  4. Hur, J. W. (2024). Fostering AI literacy: Overcoming concerns and nurturing confidence among preservice teachers. Information and Learning Sciences, 126(1/2), 56–74. https://doi.org/10.1108/ILS-11-2023-0170
  5. Kalenda, P. J., Rath, L., Abugasea Heidt, M., et Wright, A. (2025). Pre-service teacher perceptions of ChatGPT for lesson plan generation. Journal of Educational Technology Systems, 53(3), 219–241. https://doi.org/10.1177/00472395241301388
  6. Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., Stadler, M., Weller, J., Kuhn, J., et Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
  7. Luo, W., He, H., Liu, J., Berson, I. R., Berson, M. J., Zhou, Y., et Li, H. (2024). Aladdin’s genie or Pandora’s box for early childhood education? Experts chat on the roles, challenges, and developments of ChatGPT. Early Education and Development, 35(1), 96–113. https://doi.org/10.1080/10409289.2023.2214181
  8. Miao, F., et Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  9. Mishra, P., Warr, M., et Islam, R. (2023). TPACK in the age of ChatGPT and Generative AI. Journal of Digital Learning in Teacher Education, 39(4), 235–251. https://doi.org/10.1080/21532974.2023.2247480
  10. Ng, D. T. K., Leung, J. K. L., Su, J., Ng, R. C. W., et Chu, S. K. W. (2023). Teachers’ AI digital competencies and twenty-first century skills in the post-pandemic world. Educational Technology Research and Development, 71(1), 137–161. https://doi.org/10.1007/s11423-023-10203-6
  11. OECD. (2023). OECD Digital Education Outlook 2023: Towards an effective digital education ecosystem. OECD Publishing. https://doi.org/10.1787/c74f03de-en
  12. Runge, I., Hebibi, F., et Lazarides, R. (2025). Acceptance of pre-service teachers towards artificial intelligence (AI): The role of AI-related teacher training courses and AI-TPACK within the Technology Acceptance Model. Education Sciences, 15(2), 167. https://doi.org/10.3390/educsci15020167
  13. Sperling, K., Stenberg, C.-J., McGrath, C., Åkerfeldt, A., Heintz, F., et Stenliden, L. (2024). In search of artificial intelligence (AI) literacy in teacher education: A scoping review. Computers and Education Open, 6, 100169. https://doi.org/10.1016/j.caeo.2024.100169
  14. Sun, Y., et Huang, Y. (2025). Exploring the role of generative AI in collaborative lesson planning for pre-service teachers. Journal of Computer Assisted Learning, 41(4), e70098. https://doi.org/10.1111/jcal.70098
  15. Trust, T., Whalen, J., et Mouza, C. (2023). Editorial: ChatGPT: Challenges, opportunities, and implications for teacher education. Contemporary Issues in Technology and Teacher Education, 23(1). https://citejournal.org/volume-23/issue-1-23/editorial/editorial-chatgpt-challenges-opportunities-and-implications-for-teacher-education
  16. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  17. van den Berg, G., et du Plessis, E. (2023). ChatGPT and generative AI: Possibilities for its contribution to lesson planning, critical thinking and openness in teacher education. Education Sciences, 13(10), 998. https://doi.org/10.3390/educsci13100998
  18. Zhang, C., Schießl, J., Plößl, L., Hofmann, F., et Gläser-Zikuda, M. (2023). Acceptance of artificial intelligence among pre-service teachers: A multigroup analysis. International Journal of Educational Technology in Higher Education, 20, 49. https://doi.org/10.1186/s41239-023-00420-7